多模型广义标签多伯努利滤波器

标准广义标签多伯努利算法没有对目标状态转移密度进行深入分析, 在带入确定运动模型的情况下无法对机动目标进行跟踪。针对这个问题, 参考基于马尔可夫跳变分支合并策略的多模型算法, 提出了交互多模型广义标签多伯努利算法、一阶广义伪贝叶斯广义标签多伯努利算法, 以及二阶广义伪贝叶斯广义标签多伯努利算法, 并将这三种多模型算法与同样针对机动多目标的马尔可夫跳变系统广义标签多伯努利算法进行比较。仿真结果表明, 与马尔可夫跳变系统广义标签多伯努利算法相比, 所提三种算法具有更低的计算时间消耗和更高的跟踪精度。其中, 一阶广义伪贝叶斯广义标签多伯努利算法计算时间消耗最低, 二阶广义伪贝叶斯广义标签多伯努利算法跟踪精度最高, 交互多模型广义标签多伯努利算法综合性能最好。     

考虑配准时空误差的多目标标签多伯努利滤波

针对多传感器协同跟踪目标过程中存在多节点间的信息时间延迟和空间配准偏差问题,提出基于配准偏差和时间延迟的标签多伯努利滤波(labeled multi-Bernoulli based on the registration errors and time delay, LMB-ReDe)算法。首先,通过排队论对节点个数随机变化的网络时间随机延迟进行建模;然后,构建了延迟环境中的非固定周期的目标转移过程和时间延迟过程中的伪量测;最后,在LMB滤波基础上提出LMB-ReDe算法实现目标状态的实时估计。仿真结果表明,在节点数随机变化的多传感器协同探测中,采用LMB-ReDe滤波器跟踪位置精度优于标准的LMB滤波器。     

基于VSMM的GMCPHD滤波算法在多机动目标跟踪的应用

针对交互多模型(interacting multiple model, IMM)在多机动目标跟踪算法中存在的缺陷以及目标跟踪精度问题,提出了基于变结构多模型（variable structure multiple model, VSMM）的高斯混合基数概率假设密度（Gaussian mixture cardinalized probability hypothesis density, GMCPHD）滤波算法。该算法利用了VSMM具有自适应性、时变性的特点,达到了在某一时刻能够选取与目标运动模式相匹配的模型集合的目的,相比于IMM考虑的仅是固定的模式集合具有很强的优越性。此外,GMCPHD滤波算法不仅避免了数据关联问题,而且通过高斯分布递推PHD函数的同时递推基数分布。最后,利用雷达作为传感器,对跟踪机动目标进行仿真,证明VSMM相比于IMM对于多机动目标跟踪更具有优越性,同时验证了VSMM GMCPHD滤波算法具有提高机动目标跟踪精度,减小跟踪误差的作用。     

基于交互多模型的分组δ-广义标签多伯努利算法

为了解决马尔科夫跳变系统广义标签多伯努利滤波器在多机动目标跟踪场景需要计算大量模式假设分支,并且需要频繁对假设分支进行剪枝,导致算法存在计算量过高并且影响跟踪精度的问题,提出一种基于交互多模型的分组δ-广义标签多伯努利滤波器.滤波器采用航迹分组策略,不同组的航迹独立进行关联映射与分支权重计算,降低了关联的计算复杂度,可...     

基于交互式多模型算法跟踪临近空间目标

由于目前机动目标模型越来越向模块化、并行计算的方向发展,对目前算法计算效率提出了更高的要求。对于临近空间超声速机动目标一般采用多种机动模型跟踪,单一模型已经很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型（interacting multiple model, IMM）算法,这种算法特点与临近空间目标高速、高机动特性相适应。同时考虑到扩展卡尔曼滤波 (extended Kalman filter, EKF) 算法对强非线性对象滤波效果不好, 无迹卡尔曼滤波(unscented Kalman filter, UKF)算法对于此类问题,可以很好地加以解决。仿真对比试验表明,交互式多模型〖CD*2〗无迹卡尔曼滤波(interacting multiple model unscented Kalman filter, IMM UKF)算法优于单一模型EKF算法。     

基于标签多贝努利多传感器组网目标跟踪算法

随着电磁环境的日益复杂, 强干扰和高杂波带来的目标低检测概率问题日益突出, 给探测系统准确估计监测区域内目标个数以及目标状态带来了新的挑战。针对低检测概率问题, 提出随机有限集框架下基于标签多贝努利(labelled multi-Bernoulli, LMB)多传感器组网目标跟踪算法。该算法首次将LMB框架应用到不同探测范围的多传感器组网目标跟踪场景中, 实现了多目标跟踪目标数和相应状态稳定估计。仿真结果表明, 所提方法不仅能在低检测概率条件下获得目标稳定的航迹估计, 及时捕捉目标新生、消亡等事件, 还能有效叠加不同传感器不同探测范围, 充分发挥多传感器优势。     

基于幅度信息的标签多伯努利滤波算法

杂波环境下,现有多目标跟踪滤波器会出现性能衰减。对此,提出了基于幅度信息(amplitude information,AI)的广义标签多伯努利(generalized labeled multi-Bernoulli,GLMB)滤波算法(AI-GLMB)。通常杂波幅度低于目标回波幅度,通过引入幅度信息对目标状态进行扩展,建立幅度似然函数,推导新的更新方程,并给出了算法的序贯蒙特卡罗实现方法。仿真结果表明,AI-GLMB算法能有效适应高杂波环境,同幅度信息辅助的概率假设密度滤波算法、幅度信息势平衡多伯努利滤波算法及传统GLMB滤波算法相比,其跟踪精度更高。     

基于自适应CS模型的IMM算法

目标运动状态的改变将导致目标跟踪算法精度降低或发散。为了提高机动目标跟踪的跟踪性能,首先,针对当前统计(current statistical, CS)模型中最大加速度固定设置导致模型误差增大的问题,提出了一种自适应CS模型;在自适应CS模型和交互式多模型(interacting multiple model, IMM)的基础上,提出了一种交互式多自适应模型(interacting multiple adaptive model, IMAM),该模型通过采用两个自适应CS模型,能够有效消除目标状态突变造成模型误差急速增大的问题,提高了模型的准确度和适应性。其次,在IMAM的基础上,结合修正卡尔曼滤波(amendatory Kalman filter, AKF)的思想,提出了IMAM-AKF算法,该算法通过修正最终的状态融合估计值,有效地降低了目标机动造成的模型误差,进一步提高了机动目标跟踪的性能。最后,结合自适应渐消卡尔曼滤波(adaptive fading Kalman filter, AFKF)的思想,提出了IMAM-AFAKF算法。仿真结果表明,无论是强机动还是弱机动,IMAM-AFAKF算法都具有较好的跟踪性能。     

基于机动判别的变结构交互多模型跟踪算法

临近空间高超声速机动目标具有高速、高机动的运动特性,协同转弯模型是跟踪临近空间目标的常用模型之一。基于协同转弯模型的自适应网格交互多模型(adaptive grid interaction multiple model, AGIMM)算法能够较好地适应临近空间高超声速目标运动特性,但AGIMM算法存在着依赖中心网格模型,非机动时刻模型集收敛缓慢的问题,基于此提出了一种基于机动判别的变结构交互多模型算法。所提算法根据目标机动特性调整跟踪模型集的结构及模型概率转移矩阵,加快了非机动时刻模型集的收敛速度,克服了AGIMM算法存在的问题。通过蒙特卡罗仿真验证,改进的算法相对于AGIMM算法提高了对临近空间高超声速目标的跟踪性能。     

基于IMM-CSRF的多平台机动目标被动跟踪方法

针对仅有角度测量信息条件下,单平台的机动目标被动跟踪存在固有的强非线性和弱可观测性问题,研究多平台融合机动目标被动跟踪技术,提出了集中式漂移瑞利滤波器(centralized shifted Rayleigh filter,CSRF)来解决多平台目标被动跟踪问题,进一步提出并推导了基于交互式多模型的集中式漂移瑞利滤波器(interacting multiple model centralized shifted Rayleigh filter,IMM CSRF),实现对机动目标的被动跟踪。仿真实验表明,该算法跟踪精度高,稳定性好,具有良好的实际应用价值。     

基于量测转换序贯滤波的GMPHD机动目标跟踪

针对多普勒雷达杂波环境下的多机动目标跟踪, 提出了一种基于去相关无偏量测转换序贯滤波的多模型高斯概率假设密度算法。针对量测的非线性, 将位置量测进行无偏量测转换, 将多普勒量测进行去偏量测转换, 并通过序贯滤波方式提高跟踪精度。针对多目标的机动性, 在高斯混合概率假设密度(Gaussian mixture probability hypothesis density, GMPHD)中引入多模型思想对模型相关的高斯分量进行预测、更新处理。仿真结果显示, 所提算法可以在杂波环境中实现有效的机动多目标跟踪, 与无迹卡尔曼多模型GMPHD相比不仅跟踪精度提升了38.15%, 而且大大改善了算法效率; 与无迹卡尔曼最适高斯近似GMPHD相比, 在效率上有小幅度的增加, 且跟踪精度提升了36.47%。     

基于FRFT的天波雷达多机动目标检测

天波超视距雷达（over-the-horizon radar, OTHR）中,机动目标信号存在频谱扩展,导致目标检测性能下降。强的海杂波进一步增加了机动目标的检测难度。针对该问题,考虑到海杂波信号能量主要集中在零频附近,而且可以建模为一个自回归（auto-regressive, AR）过程,用AR滤波器抑制海杂波;考虑到机动目标信号近似为线性调频信号,而分数阶傅里叶变换(fractional Fourier transform, FRFT)能有效积累线性调频信号的能量,因此采用FRFT算法估计目标运动参数,实现机动目标检测;在此基础上用分级迭代的FRFT进一步降低运算量;针对多目标检测问题,用“CLEAN”方法逐个检测机动目标。仿真结果表明,与已有的离散多项式变换（discrete polynomial transform, DPT）算法相比,本文算法可以更好地适用于多目标检测;与Radon Wigner变换算法相比,本文算法可以达到更高的参数估计精度。     

基于"当前"统计模型的模糊自适应跟踪算法

“当前”统计模型需要预先设定目标最大机动加速度，不能很好的适应各种机动情况。采用模糊推理的方法根据测量新息和新息变化率实时调整目标最大机动加速度，自适应各种机动情况。此外，针对多数传感器测量方程的非线性，采用性能较好的Unscented Kalman Filter代替常用的扩展卡尔曼滤波。仿真结果表明，该算法在跟踪精度和收敛速度都优于传统的基于“当前”统计模型的跟踪算法。     

空基无源相干定位系统的机动目标跟踪算法

针对空基无源相干定位系统中外辐射源状态不确定性对机动目标跟踪精度的影响, 提出了一种基于多模型预测的双变量容积卡尔曼滤波算法。首先建立了机动目标跟踪的系统模型, 并确定了多模型集。然后基于多模型思想, 将模型交互步骤增加到状态预测步骤之后, 对状态预测值进行交互融合, 得到最优的状态预测值。为解决固定的马尔可夫转移概率导致系统跟踪性能下降的问题, 采用“感知记忆”嵌入的时变转移概率, 降低不匹配模型的竞争影响; 最后利用双变量容积卡尔曼滤波算法同时对目标和外辐射源进行状态估计。仿真对比实验验证了算法的有效性。     

基于GM(1,1)模型的机动目标跟踪方法研究

传统卡尔曼滤波器依赖目标运动状态的数学模型,当目标运动数学模型不精确或不能够用线性状态空间模型描述时,跟踪滤波会发散。针对这一问题,提出了一种基于GM(1,1)(Grey model)模型的跟踪卡尔曼滤波方法。在卡尔曼滤波过程中,迭代所需的预测值不再依赖所建立的目标运动状态方程,而是用前几个时刻的估计值建立灰色微分方程来预测下一时刻的值,其预测精度高,滤波性能提高,特别在目标机动的时间内跟踪滤波效果要好于传统方法。仿真结果表明,是一种可行的机动目标跟踪方法。